音频分类

📄 Self-Supervised Audio Representation Learning for Pediatric Asthma Detection in Emergency Care Using Digital Stethoscope Recordings 标签：#音频分类 #自监督学习 #迁移学习 #预训练 #医疗音频 5.0/10 | 创新 0.8/2 | 严谨 1.2/1.5 | 实验 0.5/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.8/1.5 📝 5.0/10 | 后50% | 文档类型：应用研究 | 评分置信度：中 | #音频分类 | #自监督学习 | #迁移学习 #预训练 | arxiv 👥 作者与机构 第一作者：Fatemeh Bagheri（机构未明确列出，上标标注为1,2） 通讯作者：未说明 作者列表：Fatemeh Bagheri（1,2）、Thalia Pandolfi（3）、Ervin Sejdić（1,2）、Rohit Mohindra（2,4,5） 机构信息：论文中提及 North York General Hospital（Toronto, Canada）和 University of Toronto，但未明确列出各上标数字对应的具体机构名称。研究受 North York General Foundation - Innovation Fund 资助。 💡 毒舌点评 这篇论文将现成的自监督音频模型搬到小儿急诊哮喘检测，场景价值尚可，但实验只能算概念验证。患者级分组交叉验证和留一法避免了数据泄露，这一点值得肯定；然而 31 例样本、缺少传统特征基线、不做消融、全凭一个表格撑起全文，让"84% 准确率"更像运气而非稳健结果。更令人不安的是，论文连用哪个版本的 Wav2Vec 2.0（Base 还是 Large）都没说清楚。 ...

📄 Multimodal Domain Generalization for Depression Detection: An Attention-Based BiLSTM Network with Domain-Adversarial Training 标签：#音频分类 #对抗训练 #音频理解 #Transformer #模型评估 6.4/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频分类 | #对抗训练 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Ali Tabaraei（米兰大学计算机系） 通讯作者：Ali Tabaraei（米兰大学计算机系） 作者列表：Ali Tabaraei（米兰大学计算机系）、Federico Simonetta（格兰萨索科学研究所计算机科学系）、Stavros Ntalampiras（米兰大学计算机系） 💡 毒舌点评 本文工程完成度扎实，在受限的意大利语数据集上系统性地筛选出了“MelSpec + ItalianBERT + 30s”的最优配置，并通过引入域对抗训练获得了可观的性能提升。然而，将“每个说话人视为一个独立域”的设定，虽然名义上借用了域泛化的外衣，实质上执行的是“说话人无关”特征学习，与社区内公认的跨数据集、跨场景的分布外泛化挑战相比，技术难度有明显落差。此外，整个模型是一个冻结预训练特征提取器的两阶段流水线，非端到端优化，这使得标题与摘要中暗示的“纯粹”端到端框架打了折扣。 ...

📄 Comparing Spectrogram Front-Ends for Abnormal Heart-Sound Detection with a Convolutional Neural Network 标签：#音频分类 #CNN #医疗音频 #可解释性 #音频理解 5.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.6/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.7/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #CNN | #医疗音频 #可解释性 | arxiv 👥 作者与机构 第一作者：Abhinav Pala（圣克拉拉大学） 通讯作者：未说明 作者列表：Abhinav Pala（圣克拉拉大学）、Dhanush Pala（独立研究员） 💡 毒舌点评 实验设计在控制变量（固定CNN、优化器、种子）方面是严谨的，Grad-CAM分析也增强了结论的可解释性。但论文存在严重问题：写作中充斥着大量拼写和语法错误（如“abonral”、“teh”、“arceitecture”、“teh”），这在正式投稿中是无法接受的。核心结论“多分辨率是最可靠前端”在仅测试两种简单CNN架构、且性能差异微小（~0.006 MAcc）的情况下得出，缺乏统计显著性检验的支撑，有过度解读之嫌。与PhysioNet 2016挑战赛冠军的对比缺乏公平的测试集划分依据。完全未开源代码、模型或数据，严重阻碍可复现性。 ...

📄 Fretiq: Browser-Native Electric Guitar String Classification via Engineered Spectral Features and Held-Out Free-Play Evaluation 标签：#音频分类 #音乐转录 #流式处理 #实时处理 #音频理解 7.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 0.9/1 | 影响 0.7/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.5/10 | 前25% | 文档类型：系统技术报告 | 评分置信度：高 | #音频分类 | #音乐转录 | #流式处理 #实时处理 | arxiv 👥 作者与机构 第一作者：Aadi Garg（California Polytechnic State University, San Luis Obispo, Department of Physics） 通讯作者：未说明（邮箱 agarg35@calpoly.edu 提供但未标注通讯作者） 作者列表：Aadi Garg（California Polytechnic State University, San Luis Obispo, Department of Physics） 💡 毒舌点评 这篇论文最大的优点是极其诚实——作者主动报告了97.1%验证准确率与87.8%自由演奏准确率之间的巨大差距，坦承比较训练方法“对某些弦对反而更差”，甚至记录了两次关键的工程失败模式，这种透明度在同级别工作中罕见。然而，核心方法就是MFCC加一个两层全连接网络，这在2025年甚至不算是一个值得单独报告的模型架构；当一个如此简单的模型在验证集上达到97%时，审稿人更应该质疑的是数据泄漏或评估设置的问题，而不是庆祝这个数字本身。 ...

📄 Can Tokens Compete? Token Representations against Supervised CNN Backbones for BirdCLEF+ 2026 标签：#音频事件检测 #模型集成 #音频分类 #迁移学习 #低资源 8.3/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.5/1.5 🔥 8.3/10 | 前25% | 文档类型：系统技术报告 | 评分置信度：高 | #音频事件检测 | #模型集成 | #音频分类 #迁移学习 | arxiv 👥 作者与机构 第一作者：Anthony Miyaguchi（佐治亚理工学院） 通讯作者：Anthony Miyaguchi（佐治亚理工学院） 作者列表：Anthony Miyaguchi（佐治亚理工学院）、Murilo Gustineli（佐治亚理工学院）、Adrian Cheung（佐治亚理工学院） 💡 毒舌点评 论文作为一份竞赛技术报告工程细节扎实，失败实验记录详尽，为后来者提供了宝贵的"避坑指南"。然而，其核心科学问题——“token能否竞争”——的探索深度有限：编解码器路线本就因训练于人声而预期失败，通用模型不敌专家模型也并非新发现，论文最终结论更多是对已知领域特性的印证，而非对"在何种条件下token能竞争"或"如何改进token表示以使其具有竞争力"等深层问题的实质性推进。 ...

📄 Greedy Volume Maximization of Gradient Embeddings for Long-Tailed Frame-Level Bioacoustic Active Learning 标签：#音频分类 #低资源 #音频理解 #Transformer #模型评估 6.3/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 0.8/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.9/1.5 ✅ 6.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #低资源 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Shiqi Zhang（芬兰坦佩雷大学） 通讯作者：未说明 作者列表：Shiqi Zhang（芬兰坦佩雷大学）、Marius Faiß（德国康斯坦茨大学）、Ariana Strandburg-Peshkin（德国康斯坦茨大学）、Tuomas Virtanen（芬兰坦佩雷大学） 💡 毒舌点评 论文巧妙地将BADGE梯度嵌入与贪婪DPP遍历相结合，并针对音频帧级长尾问题提出了残差加权聚合，理论保证和问题洞察是亮点。然而，实验验证仅限于一个单一、小众的鬣狗叫声数据集，且完全不开源，极大地限制了其影响力和可复现性，使其创新性更像是一个精心设计的案例研究而非领域通用的突破。 ...

📄 MetaPerch: Learning from metadata for bioacoustics foundation models 标签：#音频分类 #多任务学习 #迁移学习 #鲁棒性 #音频理解 9.0/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.5/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 9.0/10 | 前10% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #多任务学习 | #迁移学习 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Mustafa Chasmai (University of Massachusetts Amherst, Google DeepMind) 通讯作者：Jenny Hamer (Google DeepMind) 作者列表：Mustafa Chasmai (University of Massachusetts Amherst, Google DeepMind), Vincent Dumoulin (Google DeepMind), Jenny Hamer (Google DeepMind) 💡 毒舌点评 亮点：这篇论文做了一件“该做但没人系统做过”的事——利用公民科学数据中唾手可得的元数据作为辅助监督，来提升生物声学基础模型的泛化能力。其消融实验之详尽、覆盖的元数据种类和评估数据集之广，堪称领域内一次扎实的工程和经验主义研究，为后续工作设立了很高的实验标准。短板：论文的核心创新更像是一次系统性的“最佳实践”探索，而非方法论的根本性突破。对于元数据如何真正改善底层特征表示（除了通过相关性），以及如何避免学习到虚假的生态关联，解释和分析还不够深入，有点“大力出奇迹”的感觉。它证明了“用什么”有效，但对“为什么”以及“在什么情况下可能失效”的探讨稍显不足。 ...

📄 TabPFN beyond Tabular Data: Calibration and Accuracy on Multimodal Embeddings 标签：#音频分类 #迁移学习 #音频理解 #Transformer #模型评估 7.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.5/1.5 | 清晰 0.9/1 | 影响 0.5/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.9/10 | 前25% | 文档类型：应用研究 | 评分置信度：高 | #音频分类 | #迁移学习 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Jingxiang Zhang（与 Lujia Zhong 并列第一作者，标注为 \equalcontrib） 通讯作者：未说明 作者列表：Jingxiang Zhang¹、Lujia Zhong¹、Zijie Zhu¹、Shuo Huang¹、Yuang Xu¹（上标 ¹ 表示同一机构，机构名称未在原文中明确给出） 💡 毒舌点评 这篇论文最值得称道的是其评估规模（22,820 个评估 episode）和系统性——它以接近工程实证的方式，用详尽的网格化实验映射出 TabPFN 作为分类头的性能边界，为校准敏感场景下的实践者提供了清晰的使用指南。然而，论文本质上是一篇"应用验证"而非"方法突破"：将一个现成的 ICL 模型（TabPFN）迁移到嵌入空间并做系统评估，方法层面的创新含量有限。其准确率优势高度依赖中等样本量（\(k \geq 50\)）和低至中等特征维度（\(d \leq 32\)）的条件，在高维或极低样本场景下优势消失；校准优势虽然稳健，但 ASS（预测集大小）表现不佳，TabPFN 生成的预测集显著大于 kNN，这在需要紧致预测集的实际部署中是不可忽视的权衡。此外，TabPFN 在合成表格数据上预训练与真实多模态嵌入之间的领域差距未被深入量化分析，PCA 作为唯一降维手段的合理性也未充分消融。 ...

📄 Determinantal point process sampling for bioacoustic active learning #音频分类 6.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 6.9/10 | 前50% | #音频分类 | #音频分类 | arxiv 👥 作者与机构 第一作者：Hugo Magaldi（论文中未提及所属机构） 通讯作者：未说明 作者列表：Hugo Magaldi（唯一作者） 💡 毒舌点评 这篇BioDCASE 2026技术报告把一个简单的想法做得很扎实：DPP去冗余+退火探索，AULC从0.46拉到0.50，消融实验干净利落，证明了DPP和自适应批次调度是真正的功臣。但别高兴太早——方法是个调参工程，十几个超参数靠“粗扫”拍板，没做灵敏度分析，换个预算规模能不能跑都是未知数。和通用主动学习基线（BADGE、BatchBALD等）没比过，只赢了官方给的几个baseline，这让人怀疑它的最优性到底是方法好还是baseline弱。好在作者承认代码已随BaseAL框架提交，这让审稿人至少不用凭空想象。 📌 核心摘要 论文解决BioDCASE 2026主动学习任务中的批量样本选择问题：在500个标注预算限制下，从大量未标注生物声学数据中高效选择批次提交标注，最大化下游多标签分类器的macro mAP学习曲线下面积（AULC）。 核心方法是CARE-DPP，包含四个组件：类别均衡的多标签不确定性估计、基于余弦距离的嵌入空间新颖性度量、随标注进度退火的探索-利用权重与候选池随机探索机制、基于行列式点过程（DPP）的批量多样性选择。 与已有方法相比，创新在于将DPP引入生物声学主动学习批次选择，同时显式建模类别不平衡、标注预算进度和早期质量分数不可靠问题，通过退火策略和候选池随机探索加以缓解。 在BioDCASE 2026的四个开发集上，CARE-DPP平均AULC为0.5017，显著超越官方基线CoreSet（0.46）、TypiClust（0.423）、Margin（0.399）和Random（0.39），最终macro mAP均值为0.59。消融实验表明，移除DPP批次选择模块后AULC跌至0.4639（降幅最大），固定批次大小50跌至0.4876，是贡献最大的两个组件。 方法 平均AULC CARE-DPP (ours) 0.5017 CoreSet (official baseline) 0.4600 TypiClust (official baseline) 0.4230 Margin (official baseline) 0.3990 Random (official baseline) 0.3900 消融变体 ATBFL HSN POW UHH 平均AULC CARE-DPP (full) 0.4652 0.6080 0.5002 0.4335 0.5017 固定探索比例 0.4574 0.6037 0.5030 0.4316 0.4989 无类别均衡 0.4575 0.6114 0.4965 0.4236 0.4972 无退火 0.4604 0.5974 0.5079 0.4204 0.4965 固定批次50 0.4551 0.6024 0.4818 0.4112 0.4876 无DPP批次选择 0.4634 0.5413 0.4813 0.3697 0.4639 实际意义是为生物声学标注提供了一个实用的主动学习采样策略，在固定预算下可提升模型性能，减少人工标注量。但方法大量依赖BioDCASE任务提供的Perch v2预训练嵌入和固定微调管线，泛化到其他任务或领域的能力有限。 主要局限性是超参数过多（十多个）且通过粗粒度扫描确定并全局固定，缺乏灵敏度分析；未与更近期的通用主动学习基线（如BADGE、BatchBALD、VAAL等）对比；DPP对Perch v2嵌入质量高度依赖，未讨论嵌入不匹配时的风险；计算代价未分析；方法可能高度特化于500预算的设置，可扩展性存疑。 🔗 开源详情 代码：论文声明已将可复现的BaseAL代码随提交文件一并提交至BioDCASE 2026任务，但未提供公开GitHub仓库或永久可访问链接 模型权重：论文中未提及分类头权重或模型的发布 数据集：使用了BirdSet HSN、POW、UHH子集和ATBFL数据集，这些为BioDCASE 2026任务提供的标准数据，论文未提供具体下载链接 Demo：论文中未提及 复现材料：已声明提交BaseAL代码和五轮重复实验结果YAML文件，包含每轮均值和标准差，但公开访问性待确认 论文中引用的开源项目：BirdSet基准、Perch v2嵌入模型、BioDCASE BaseAL框架，均未给出具体链接 🏗️ 方法概述和架构 CARE-DPP是一个面向生物声学多标签分类的批量主动学习方法，在BaseAL框架的固定管线（预训练Perch v2嵌入+随机初始化的分类头）上运行。整体流程为：每轮主动学习周期中，接收当前分类器的多标签预测概率和所有样本的固定归一化嵌入向量，依次计算类别均衡不确定性、嵌入空间新颖性，通过随标注预算线性退火的权重将二者融合为质量分数，随后按质量分数排序并强制混入退火的随机探索比例构建候选池，最后通过DPP的贪心对数行列式最大化在候选池中选出非冗余的高质量批次提交标注。分类器使用已标注样本重新训练10个epoch后进入下一轮。 ...

📄 Few-Shot Class-Incremental Audio Classification Using Pseudo-Incrementally Trained Embedding Learner and Continually Updated Stochastic Classifier #持续学习 #音频分类 6.3/10 | 创新 0.8/2 | 严谨 0.8/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 0.7/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 0.5/1.5 ✅ 6.3/10 | 前50% | #音频分类 | #持续学习 | arxiv 👥 作者与机构 第一作者：Yanxiong Li（华南理工大学 电子与信息工程学院） 通讯作者：Yanxiong Li（华南理工大学 电子与信息工程学院） 作者列表：Yanxiong Li（华南理工大学 电子与信息工程学院）、Wenchang Cao（华南理工大学 电子与信息工程学院）、Jiaxin Tan（华南理工大学 电子与信息工程学院）、Qianqian Li（华南理工大学 电子与信息工程学院）、Guoqing Chen（华南理工大学 电子与信息工程学院） 💡 毒舌点评 本文在音频少样本类增量学习（FCAC）领域交出了一份工整的答卷。通过“冻结的嵌入网络+动态更新的随机分类器”这一解耦范式，将稳定性-可塑性困境拆解为两个独立模块，逻辑清晰、实验详尽。然而，方法新颖性严重依赖计算机视觉领域的成熟技术（MixUp模拟增量类 + 高斯分布建模分类器权重），本质上是已有思想到音频任务的稳健工程迁移，而非方法论层面的突破。声称的“伪增量训练”严格依赖基类数据的线性混合，在增量类与基类差异显著的开放场景下泛化性存疑。整体而言，这是一篇定位精准、执行扎实的会议扩展期刊稿，技术增量有限，但在其细分领域提供了有价值的工程基线。 ...